ИИ в промышленном IT: где заканчивается хайп и начинается измеримый эффект

В этом обзоре мы собрали ключевые идеи и практические инсайты из серии подкастов, записанных на конференции Industrial++. С руководителями AI- и IT-направлений из крупных промышленных компаний на мероприятии пообщались Василий Саутин, коммерческий директор платформы «Сфера» (ИТ-холдинг Т1) и его коллега, директор по продуктам платформы «Сфера», Сергей Полиненко.

Привет, Хабр! Пока рынок обсуждает новые модели и копайлоты, промышленный IT живёт в другой реальности: там AI должен снижать простои, повышать безопасность и приносить измеримый экономический эффект.

Партнёры из «Сферы» как никто другой знают изнанку промышленного IT. Компания разрабатывает инструменты для организации и автоматизации процессов производства на всех этапах жизненного цикла ИТ-продукта. А делать востребованные решения без тесного общения с рынком невозможно. Поэтому в этих подкастах ведущие и гости честно рассказывают, как выбирают сценарии применения ИИ, считают эффективность, встраивают решения в производственные контуры и работают с сопротивлением изменениям.

Эти беседы — не про магию нейросетей и не про «внедрение ради галочки». Они про калькулятор, контекст и ответственность за результат: где AI действительно работает, где даёт иллюзию пользы и почему вопрос «чтобы что?» сегодня важнее, чем выбор конкретной технологии.

Барьеры для внедрений LLM в промышленности

Искусственный интеллект всё глубже проникает в корпоративные процессы — от производства до юридических и закупочных функций. Но за громкими словами про LLM и чат-ботов в реальном бизнесе стоит куда более сложная задача: доказать экономический эффект, встроить решения в процессы и преодолеть естественное сопротивление изменениям.

В этом выпуске подкаста, записанном на конференции Industrial++, Вячеслав Козицын, начальник управления искусственного интеллекта группы ЕвроХим, рассказывает, как в крупной промышленной компании выстроена работа с AI: от обследований и формирования портфеля гипотез до жёсткого трекинга эффектов и масштабирования решений. Разговор — не про магию нейросетей, а про практику, культуру и ответственность за результат.

Основные тезисы

• Основной источник экономического эффекта — рекомендательные системы и классический ML в производстве, а не хайп вокруг LLM.

• Чат-боты и LLM сегодня в основном применяются в общекорпоративных функциях: поиск знаний, классификация документов, поддержка сотрудников.

• Экономический эффект от AI защищается не за счёт сокращения людей, а за счёт роста полезности и вклада в цепочку создания ценности.

• Все проекты проходят путь PoC → MVP → опытно-промышленная эксплуатация с обязательным подтверждением эффекта финансами.

• Информационная безопасность встроена в процесс разработки и не является формальностью.

Интересные моменты

• GPT и копайлоты становятся не инициативой IT, а требованием нового поколения сотрудников.

• В ЕвроХиме гипотезы для AI-проектов формируются через «обследования» — совместную работу с производством и бизнесом.

• Сопротивление изменениям снижается через уважение к пользователям и демонстрацию реальной пользы, а не через давление KPI.

• Будущий фокус — мультиагентные системы как связующее звено между бизнес-процессами и техническими решениями.

Цитата подкаста

Считаем бизнес-эффекты правильно

ИИ в промышленности — это не про хайп и не про «раздать всем ChatGPT». Это про калькулятор, линейку и честный ответ на вопрос «чтобы что?». Обо всём этом – Михаил Митрофанов, руководитель направления по развитию цифровых технологий ОМК ИТ. В беседа он рассказывает, как внутренний инсорсный IT в промышленной компании выбирает технологии, считает эффекты и не боится отказываться от дорогих и модных решений, если за ними не стоит измеримая польза для бизнеса.

В разговоре обсуждают, почему компьютерное зрение часто даёт больший эффект, чем «большие» AI-платформы, зачем IT держать себя в ресурсном дефиците и почему автоматизация ради автоматизации — путь в никуда. Отдельное внимание уделяют теме бизнес-эффектов, продуктового подхода, роли инсорса и аутсорса, а также будущим трендам — от усиления требований к безопасности до необходимости экономического мышления у каждого айтишника.

Основные тезисы

• Главная ценность IT в промышленности — измеримый бизнес-эффект, а не внедрение технологий «ради галочки».

• ИИ — это инструмент, а не цель: его внедряют только там, где понятны метрики и способы измерения пользы.

• Компьютерное зрение остаётся одним из самых прикладных и эффективных классов решений для производства.

• Продуктовый подход оправдан не всегда: иногда классическая IT-модель дешевле и эффективнее.

• Будущее IT — в рациональном использовании ресурсов, усилении ИБ и фокусе на непрерывности бизнеса.

Интересные моменты

• Кейс по промышленной безопасности, где вместо дорогой платформы использовали «умную» камеру с сухими контактами и светофором.

• Почему эффект «–0,5 FTE» чаще всего виртуален и плохо работает как аргумент.

• Как инсорсный IT конкурирует с вендорами, считая TCO и окно окупаемости.

• Почему коммерциализация внутренних IT-решений часто оказывается убыточной.

• Роль опенсорса и осторожное отношение к инструментам без понятной экономической отдачи.

Цитата подкаста

Как разрабатывать там, где это не планировали делать?

ИИ, роботизация и цифровые платформы в промышленности — это не про хайп и не про «внедрить, потому что модно». Это про простои, экономику эксплуатации и очень разные миры: классическое машиностроение и разработку ПО. В этом подкасте Витольд Коморовский, технический директор KAMAZ Digital, рассказывает, как цифровая дочка КАМАЗа за последние годы прошла путь от внутреннего IT-оператора до разработчика рыночных продуктов — от MES и Vehicle-to-Cloud до компьютерного зрения и умных перевозок.

Разговор получился честным и практическим: о том, почему Agile с трудом приживается в производстве, как «продавать» внутреннюю разработку бизнесу, зачем машине облако и почему предиктивная аналитика пока остаётся несбывшимся обещанием. Отдельный блок посвящён AI — со здоровым скепсисом, примерами галлюцинаций LLM и поиском реальных границ применимости нейросетей в индустрии.

Основные тезисы

• После 2022 года промышленность вынужденно ускорилась: многие решения теперь приходится разрабатывать самостоятельно.

• IT и производство — это два разных типа «производства», и их синхронизация требует времени и новых ролей со стороны бизнеса.

• Vehicle-to-Cloud — это в первую очередь снижение простоев и эксплуатационных затрат, а не «умная игрушка».

• AI — инструмент, а не цель: его применение оправдано там, где есть понятная польза и контроль рисков.

• Компьютерное зрение сегодня даёт более ощутимый эффект, чем «большие» AI-платформы.

Интересные моменты

• Как KAMAZ Cloud за два года дошёл до промышленной эксплуатации и OTA-обновлений.

• Почему продуктовая модель в промышленности уживается с проектной, но не заменяет её полностью.

• Кейсы компьютерного зрения: распознавание поз на конвейере, контроль СИЗ и дефектов окраски.

• Почему предиктивная аналитика на данных датчиков пока не стала массово успешной.

• Скептический взгляд на LLM и идея «шильдика» «Без AI» для критичных систем.

Цитата подкаста

Идите в очевидные риски!

Государственный и квази-государственный IT сегодня живёт в особой реальности: импортозамещение, закрытые контуры, критическая инфраструктура, тысячи баз данных и системы, которые нельзя просто «пересобрать на коленке». При этом бизнес ждёт той же скорости изменений, удобства и эффективности, что и в коммерческих продуктах. А на горизонте — ещё и AI, который обещает всё ускорить, но добавляет новых вопросов и рисков.

В этом выпуске подкаста гостем стал Михаил Денисов, технический директор департамента развития проектов Федерального казначейства РТ «Цифровые решения». Он прошёл путь от блокчейна и Госуслуг до крупнейших государственных платформ и рассказывает, как сегодня выглядит реальное импортозамещение, почему open-source не всегда спасает, как жить в закрытых контурах, зачем нужен Docs as Code и почему AI — это одновременно «машина для ускорения» и источник новых ограничений. Разговор получился не про хайп, а про тяжёлую, сложную и очень системную инженерию.

Основные тезисы

• Импортозамещение — это не просто смена вендора, а сложный инженерный и организационный путь: пример ГИС ГМП с 150 ТБ данных и переходом на шардированный Postgres.

• В крупном энтерпрайзе почти невозможно найти решение, которое одновременно open-source, сертифицированное и готовое к большим данным — всегда приходится идти на компромиссы.

• Закрытые контуры и критическая инфраструктура радикально меняют подходы к DevOps, CI/CD и эксплуатации: иногда системы приходится «дебажить по фотографии логов».

• Documentation as Code и API-first — единственный способ держать под контролем сотни микросервисов и сложную архитектуру.

• IT всё больше упирается не в технологии, а в прозрачность процессов, управление ресурсами и связность «бизнес → требования → код → тесты → эксплуатация».

• AI уже сегодня ускоряет разработку, тестирование и аналитику, но пока не способен создавать по-настоящему сложные системы без человека.

• Рынок IT изменится: людей, которые могут делать «типовые продукты», станет больше, но ценность системных инженеров и архитекторов только вырастет.

Интересные моменты

• История полного импортозамещения Госуслуг и отказа от Oracle в пользу российских решений.

• Почему в больших системах биллинг «за CPU и инстансы» часто делает коммерческие продукты экономически невыгодными.

• Как в РТЛабс и ИЭП автоматизировали планирование на 1500+ человек с расчётом FTE по каждому спринту.

• Зачем в больших организациях нужна сквозная связка: требования → задачи → тесты → инциденты → метрики.

• Сравнение AI с «машиной»: он не заменяет мышление, но резко увеличивает скорость, если ты понимаешь, куда едешь.

• Очень жёсткий и честный разговор о том, как роботизация и AI будут вытеснять людей — и что с этим делать.

Цитата подкаста

Так наступило ли будущее — или мы всё ещё репетируем?

Опыт гостей подкастов показывает: в промышленном IT будущее наступает не сразу и не для всех. Оно приходит точечно — туда, где есть понятный процесс, ответственность за результат и готовность честно считать эффекты.

Искусственный интеллект здесь не волшебная кнопка и не универсальный ответ. Это инструмент, который работает только в связке с бизнес-контекстом, зрелыми процессами и экономическим мышлением. Там, где AI встраивается в цепочку создания ценности — он даёт результат. Там, где его внедряют ради моды или KPI, он быстро становится дорогой игрушкой.

Общий вывод прост и одновременно сложен в реальности: промышленный IT всё чаще требует от айтишников быть не только инженерами, но и экономистами, продуктовыми менеджерами и переводчиками между технологиями и бизнесом. И, возможно, именно это — главный признак того, что будущее уже началось.